مبانی یادگیری ماشینی : جبر خطی

آیا تا به حال فکر کرده اید که واقعاً در زیر الگوریتم یادگیری ماشین چه اتفاقی می افتد؟ پاسخ جبر خطی است. بدون آن ، یادگیری ماشین نمی تواند وجود داشته باشد. جبر خطی پیش نیاز برای درک و ایجاد تقریباً تمام الگوریتم های یادگیری ماشین است ، به ویژه آنهایی که شبکه های عصبی ، ابزارهای پردازش زبان طبیعی و مدل های یادگیری عمیق را افزایش می دهند. در کنار تکنیک های مورد نیاز برای طراحی و اجرای یک الگوریتم یادگیری ماشین موفق. اصول اولیه حسابی ، هنجارهای بردار ، خصوصیات ماتریس ، عملیات پیشرفته ، تبدیل ماتریس و الگوریتم هایی مانند Google PageRank را کشف کنید. در پایان این دوره ، شما آماده خواهید بود تا اصول جبر خطی را در نظر بگیرید و آنها را در پروژه یادگیری ماشین بزرگ بعدی خود اعمال کنید.

عنوان اصلی : Machine Learning Foundations: Linear Algebra

سرفصل های دوره :

مقدمه:
مقدمه
آنچه باید بدانید
1. آشنایی با جبر خطی:
تعیین جبر خطی
کاربردهای جبر خطی در ML
2. اصول اولیه بردار:
مقدمه بر بردارها
حسابی بردار
سیستم مختصات
3. پیش بینی ها و مبنای بردار:
محصول بردارها
پیش بینی مقیاس و بردار
تغییر اساس بردارها
مبنای ، استقلال خطی و دهانه
4. آشنایی با ماتریس:
مقدمه ماتریس
انواع ماتریس
انواع تحول ماتریس
ترکیب یا ترکیبی از تحولات ماتریس
5. حذف گاوسی:
حل معادلات خطی با استفاده از حذف گاوسی
حذف گاوسی و یافتن ماتریس معکوس
معکوس و تعیین کننده
6. ماتریس از ارتوگونی بودن به فرآیند گرم-کیمید:
مبنای تغییر ماتریس
تبدیل به مبنای جدید
ماتریس متعامد
فرآیند گرم-اسکمیید
7. مقادیر ویژه و ویژه ای:
مقدمه ای بر مقادیر ویژه و ویژه ای
محاسبه مقادیر ویژه و ویژه
تغییر به قسمت ویژه
الگوریتم Google PageRank
نتیجه گیری:
مراحل بعدی